Kuis terkait panduan · Sedang Tingkat

Kuis Terjemahan Tidak Berpasangan CycleGAN

Tinjau bagaimana CycleGAN menggunakan pemetaan terbalik, diskriminator permusuhan, dan konsistensi siklus untuk menerjemahkan gambar tanpa contoh berpasangan.

Jalur panduan terkaitTerjemahan Tidak Berpasangan Cyclegan
Pertanyaan 1 dari 8

Masalah utama apa yang tidak dapat diselesaikan oleh CycleGAN yang tidak dapat diselesaikan oleh metode sebelumnya seperti pix2pix?

Pratinjau setiap pertanyaan8 pertanyaan

Jawaban dan penjelasan muncul saat Anda mengikuti kuis.

  1. Masalah utama apa yang tidak dapat diselesaikan oleh CycleGAN yang tidak dapat diselesaikan oleh metode sebelumnya seperti pix2pix?
    • Ini menerjemahkan gambar tanpa memerlukan pasangan sebelum dan sesudah yang cocok
    • Ini sepenuhnya berjalan pada CPU seluler
    • Ini menghilangkan kebutuhan akan data pelatihan apa pun
    • Ini hanya berfungsi pada gambar hitam-putih
  2. Apa yang ditegakkan oleh hilangnya konsistensi siklus?
    • Bahwa semua gambar keluaran berwarna abu-abu
    • Itu menerjemahkan gambar ke domain lain dan mengembalikan aslinya
    • Bahwa diskriminator selalu menang
    • Generator itu memiliki bobot yang sama
  3. Berapa banyak generator yang digunakan CycleGAN standar?
    • Satu
    • Empat
    • Dua
    • Tiga
  4. Jenis diskriminator apa yang biasanya digunakan CycleGAN?
    • Sebuah sigmoid tunggal pada keseluruhan gambar
    • Pengklasifikasi ImageNet yang telah dilatih sebelumnya
    • Tidak ada diskriminasi sama sekali
    • PatchGAN yang mengklasifikasikan patch gambar
  5. Mengapa kehilangan identitas terkadang ditambahkan di CycleGAN?
    • Untuk membantu mempertahankan warna ketika input sudah cocok dengan domain target
    • Untuk membuat pelatihan lebih cepat
    • Untuk menghilangkan kebutuhan akan diskriminator
    • Untuk mengubah gambar menjadi sketsa
  6. Manakah dari berikut ini yang merupakan demonstrasi CycleGAN klasik?
    • Menghasilkan teks dari ucapan
    • Mengubah foto kuda menjadi foto zebra
    • Mentranskripsikan tulisan tangan
    • Mengompresi file video
  7. Why does a standard CycleGAN use one discriminator for each image domain?
    • Each one estimates the image’s text caption
    • One discriminator identifies the source dataset and the other the author
    • Each discriminator judges whether generated images look realistic in its target domain
    • They replace the two generators
  8. How can CycleGAN support synthetic-to-real adaptation for autonomous-driving vision?
    • Generate steering labels from vehicle sounds
    • Replace all road images with segmentation text
    • Identify a driver from a voice recording
    • Translate simulator images toward the visual style of real road scenes without paired matches